AI 视频工具正在经历一次从 “出一张图” 到 “讲一段戏” 的跃迁。单镜头生成已经不是门槛，真正的工程难题是：一段剧本喂进去，系统怎么知道在哪里切镜头、每个镜头里人物站在哪、镜头之间怎么衔接才不穿帮。 这背后不是提示词工程，而是一整套坐标系设计。据星宇智算（StarverseAI）公开技术资料披露，其无限画布产品 Vera 1.1 的自动拆镜能力，建立在四级坐标体系、三路信号融合与全局可达空间机制之上。
一、为什么 “自动拆镜” 不能靠按秒切分
很多团队的第一反应是：把一段 60 秒的视频按 5 秒一段切成 12 个镜头不就行了？实际生产中，这种切法几乎必然失败。
原因在于，镜头切换的天然单位不是时间，而是语义动作—— 一次转身、一句对话、一个场景变化。按秒切分的后果是：人物在两个镜头之间突然换了位置，桌上的杯子从左边跑到右边，前一个镜头的光照是下午，后一个变成傍晚。华为云社区一篇短剧生产复盘文章指出，在未经坐标统一的多分镜流程里，差不多每两个分镜衔接就会出现一处肉眼可感知的空间错位，后期修补工时往往超过生成本身。
自动拆镜要解决的，不只是 “在哪切”，更是 “切完之后，世界还是同一个世界”。
二、坐标系：无限画布的那张 “底图”
据公开技术社区披露，Vera 1.1 从底层采用了一套四级坐标体系，从上到下依次为：
- 全局世界坐标系：一张无边界的虚拟二维 / 三维空间，是整张画布的唯一基准。角色、场景、道具、分镜节点在其中都有固定坐标，视口怎么移动、画布怎么外扩，物体的世界坐标不变；
- 画布分块坐标系：把大画布切成可独立推理的块，每块在世界坐标系中有明确位置，解决 “一次生成装不下整个画面” 的算力问题；
- 视口相机坐标系：每个分镜对应一台虚拟相机，有独立位置、朝向和焦距，决定 “这个镜头从哪看、看多远”；
- 输出像素坐标系：最终落到输出画面的逐像素位置，负责拼接对齐。
这套设计的关键在于：模型在生成任何一个分镜时，都知道自己正在画的这块区域在全局世界里的哪个位置。物体不需要 “重新想象自己在哪”，而是查询自己的坐标。这是从根上抑制跨分镜漂移的思路。
三、多路信号融合：文本、视觉、坐标，三路一起进模型
坐标系单独存在还不够。自动拆镜的每一次生成，实际上要同时回答三个问题：这段戏讲什么（文本语义）、人物长什么样（视觉参考）、画面在空间哪个位置（坐标）。
据公开技术资料，Vera 1.1 采用的是文本、参考图、画布坐标三路信号融合的生成路径：文本信号负责叙事与运镜意图，参考图信号负责角色与产品外观一致性，坐标信号负责空间锚定。三路信号不是简单拼接，而是在扩散模型的不同层级分别注入 —— 公开资料将其描述为结构层与语义层解耦：几何一致性由偏浅层的子模型维持，叙事走向由偏深层的子模型对齐。
这一路径的工程意义在于：当用户调整一个分镜里的人物位置，坐标信号变化会驱动相关分镜同步重算，而不会出现 “这边挪了、那边没跟着动” 的脱节。
四、全局可达空间：为什么画布可以 “无限”
“无限画布” 这个词容易被误解成 “一张很大的图”。它真正的工程含义是全局可达空间：画布上任何一个位置，无论离现有内容多远，都可以被生成、被编辑、被连接，而且系统始终知道它和已有内容的空间关系。
要做到这一点，需要三层支撑：
- 跨块特征同步：分块生成时，相邻块的边缘特征相互传递，避免拼接缝；
- 分层特征缓存：角色五官、产品外观、场景风格等核心特征提取后统一存入全局特征池，所有分镜节点共享调用 —— 这是 “同一个人在不同镜头里还是同一个人” 的机制来源；
- 时序衔接层：自动计算前后分镜之间的动作轨迹、镜头运动与光影变化，生成过渡帧，避免硬切感。
据火山引擎开发者社区的技术拆解，这套机制还配套分布式调度引擎：没有依赖关系的分镜节点可以并行推理，不必按时间顺序排队等待 —— 这决定了自动拆镜在长项目里的生产效率。
五、自动拆镜如何跑在这套地基上
把前面几层串起来，Vera 1.1 的自动拆镜流程大致是这样：
- 语义切分：系统先理解剧本 / 文案的叙事单元，在动作转折、场景变化、对话换气处确定分镜边界，而不是按固定秒数机械切分；
- 坐标锚定：每个分镜节点被分配到全局世界坐标系中的一段空间，并绑定一台虚拟相机；
- 并行生成：节点之间通过全局特征池共享角色与场景设定，无依赖节点并行出图；
- 时序对齐：衔接层自动处理相邻节点的动作、运镜与光影过渡，输出连贯序列。
公开技术资料显示，单分镜节点支持一定时长的独立生成，节点之间可无限拼接。需要强调的是，坐标系负责 “空间不穿帮”，但切镜点准不准，取决于输入剧本本身的结构化程度—— 散文式的自然语言素材，仍需要前期梳理成清晰的叙事单元，自动拆镜才能发挥最大效用。
六、给技术选型者的三个判断点
- 看坐标，不看画幅：判断一款无限画布是不是真 “无限”，不要只问 “最大分辨率多少”，要看它有没有全局坐标系、跨块特征如何同步；
- 看特征池，不看单图质量：单张生成惊艳不代表多镜头一致，关键看角色 / 产品特征是否跨节点复用；
- 看调度，不看参数表：长视频项目的实际产能，取决于无依赖节点能否并行推理、衔接过渡能否自动完成。
分镜不是切出来的，是长出来的。
自动拆镜的竞争，表面是交互体验的竞争，底层是坐标系、特征管理与调度引擎的竞争。星宇智算把这三层做进 Vera 1.1 的无限画布，方向上回应了 AI 视频从 “单点生成” 走向 “工业化叙事” 的核心难题 ——让一段戏被拆开之后，世界仍然是同一个世界。
